Hinsichtlich der steigenden Anforderungen an das Risikomanagement von Banken der letzten Jahre, wird die Quantifizierung einzelner Risikobereiche immer bedeutender. Einerseits ist es den Banken seit Basel II möglich, risikoadäquate Eigenkapitalunterlegungen anhand interner Bonitätseinstufungen festzulegen, auf der anderen Seite sind aber auch die Aufsichtsbehörden an einer auf Einzel-Risikobereiche konzentrierten Aufsicht interessiert. Vor allem das Kreditrisiko der Banken gehört zu den wesentlichen Faktoren für die Abschätzung der Ausfallswahrscheinlichkeit von Banken. Für die Bewertung des Kreditrisikos gibt es grundsätzlich mehrere Möglichkeiten:
• Heuristischer Methoden, die sich in erster Linie auf subjektive, praktische Erfahrungen und Expertenaussagen stützen
• Statistische Methoden, die historische Daten als Basis für ihre Bewertung heranziehen
• Kausale Modelle, die sich rein durch analytische Beziehungen aus der Finanztheorie ohne Verwendung historischer Daten ergeben
• Hybride Formen, die sich aus Kombinationen der vorhergehenden Methoden zusammensetzen
Der zu Grunde liegende Artikel beschäftigt sich mit statistischen Verfahren, speziell mit dem Logit- und Probit- Modell, zur Modellierung von Kreditausfallwahrscheinlichkeiten, weshalb sich diese Arbeit ebenfalls auf die Betrachtung statistischer Methoden, mit Schwerpunkt auf die zuvor genannten Modelle, beschränken wird.
Im Weiteren (Kapitel 2) wird zunächst auf die grundsätzliche Funktionsweise dieser Modellansätze eingegangen. Danach sollen in Kapitel 3 auch noch weitere mögliche, statistische Verfahren zur Kreditrisiko Beurteilung aufgezeigt und die Vor- und Nachteile einzelner Ansätze herausgearbeitet werden. Kapitel 4 stellt eine generelle Vorgehensweise bei der Schätzung eines Probit- Modells anhand der empirischen Analyse im zu Grunde liegenden Artikel dar. Eine kritische Betrachtung des Artikels in Kapitel 5 und eine Zusammenfassung in Kapitel 6 schließen diese Arbeit ab.
Soweit nicht explizit anders gekennzeichnet, beziehen sich die Informationen und Aussagen in dieser Arbeit auf den zu besprechenden Artikel „Ökonometrische Verfahren zur Modellierung von Kreditausfallwahrscheinlichkeiten: Logit- und Probit- Modelle“ von Kaiser/Szczesny. Logit- und Probit- Modelle stellen ökonometrische Methoden dar, mit deren Hilfe direkt Ausfallswahrscheinlichkeiten von Krediten geschätzt werden können.
Inhaltsverzeichnis
1 Einleitung
2 Logit- und Probit- Modelle
2.1 Binäre Logit- und Probit- Modelle
2.2 Geordnete Logit- und Probit- Modelle
2.3 Paneldatenmodelle
2.4 Multivariate Logit- und Probit-Modelle
2.5 Simultane Logit- und Probit- Modelle
2.6 Vor- und Nachteile von Logit- und Probit- Modellen
3 Weitere statistische Methoden
3.1 Diskriminanzanalyse
3.2 Lineare Regression
3.3 Neuronale Netze
3.4 Computergestützte Klassifikationsmethoden
4 Vorgehensweise
4.1 Datenbasis
4.2 Schätzung des binären Probit- Modells
4.3 Schätzungen mit Erweiterungen des binären Probit- Modells
4.4 Spezifikationstests und Gütemaße
5 Kritische Betrachtung des Artikels
6 Zusammenfassung
Zielsetzung & Themen
Diese Seminararbeit hat zum Ziel, die in einem wissenschaftlichen Artikel beschriebenen ökonometrischen Verfahren – insbesondere Logit- und Probit-Modelle – zur Quantifizierung von Kreditausfallwahrscheinlichkeiten zu analysieren und kritisch zu hinterfragen.
- Grundlagen und Funktionsweise von Logit- und Probit-Modellen
- Vergleich mit alternativen statistischen Methoden der Kreditrisikobewertung
- Empirische Vorgehensweise bei der Modellanwendung und Schätzung
- Bewertung der Modellgüte und Spezifikationstests
- Kritische Würdigung der praktischen Relevanz und Genauigkeit der Verfahren
Auszug aus dem Buch
2.1 Binäre Logit- und Probit- Modelle
Diese stellen die einfachste Form zur Modellierung eines Kreditausfallsrisikos dar und bilden gleichzeitig den Ausgangspunkt für alle weiteren Betrachtungen. In diesem binären Modell kann ein Kredit nur zwei Zustände annehmen: der betrachtete Kredit ist ausgefallen oder nicht. Anhand dieser Information wird zunächst eine beobachtbare Dummy Variable Ausfalli konstruiert, die den Wert 1 annimmt wenn der Kredit ausfällt und den Wert 0 wenn dieser bedient wird. Das Subskript i bezieht sich dabei auf den i-ten Kredit. Um Ausfalli im Modell zu erhalten, wird eine nicht beobachtbare, latente Variable Ausfalli*, die als gewichtete Summe von Faktoren zu verstehen ist, mit einem bestimmten Schwellwert s verglichen. Wird der Schwellwert s durch Ausfalli* überschritten, kommt es zum Kredit Ausfall:
In Gleichung 1 ist bereits zu erkennen aus welchen Komponenten sich Ausfalli* zusammensetzt: einem Vektor xi, der die erklärenden Variablen enthält, einem Vektor β mit geschätzten Koeffizienten zur Gewichtung der einzelnen erklärenden Variablen und einem identisch normalverteilten (Probit) bzw. logistisch verteilten (Logit) Zufallsterm εi.
Die Wahrscheinlichkeit für einen Kreditausfall bzw. Nicht-Ausfall ergibt sich nun mit:
wobei F der logistischen Verteilungsfunktion im Logitfall bzw. der Standardnormalverteilungsfunktion im Probitfall entspricht. Des weiteren bezeichnet σ die Standardabweichung des Fehlerterms εi.
Zusammenfassung der Kapitel
1 Einleitung: Die Einleitung erläutert die steigende Bedeutung der Quantifizierung von Kreditrisiken für Banken und führt in die behandelten statistischen Modellansätze ein.
2 Logit- und Probit- Modelle: In diesem Kapitel werden die theoretischen Grundlagen der Logit- und Probit-Modelle sowie deren verschiedene Erweiterungen, wie geordnete oder Paneldatenmodelle, detailliert dargelegt.
3 Weitere statistische Methoden: Dieses Kapitel vergleicht die Logit- und Probit-Ansätze mit alternativen Methoden wie der Diskriminanzanalyse, der linearen Regression und neuronalen Netzen.
4 Vorgehensweise: Das Kapitel beschreibt die empirische Anwendung der Modelle anhand einer spezifischen Datenbasis, inklusive der Schätzung und der anschließenden Güteprüfung.
5 Kritische Betrachtung des Artikels: Hier wird der zugrunde liegende Artikel einer kritischen Würdigung unterzogen, wobei insbesondere die praktische Relevanz der Ergebnisse diskutiert wird.
6 Zusammenfassung: Das abschließende Kapitel fasst die gewonnenen Erkenntnisse über die Eignung und Grenzen ökonometrischer Modelle bei der Kreditrisikobewertung zusammen.
Schlüsselwörter
Kreditrisiko, Ausfallwahrscheinlichkeit, Logit-Modell, Probit-Modell, Ökonometrie, Statistik, Risikomanagement, Modellgüte, Diskriminanzanalyse, Paneldaten, Schätzverfahren, Finanzwirtschaft, Kreditwürdigkeit, Prognosegüte, Spezifikationstests.
Häufig gestellte Fragen
Worum geht es in dieser Arbeit grundsätzlich?
Die Arbeit befasst sich mit der Besprechung eines wissenschaftlichen Artikels über ökonometrische Verfahren, speziell Logit- und Probit-Modelle, zur Modellierung von Kreditausfallwahrscheinlichkeiten.
Was sind die zentralen Themenfelder?
Die zentralen Themen sind die mathematische Funktionsweise von binären und erweiterten Regressionsmodellen, deren Anwendung in der Bankenpraxis und der Vergleich zu anderen statistischen Klassifikationsmethoden.
Was ist das primäre Ziel der Arbeit?
Das Ziel ist es, die theoretischen Ansätze der Modelle zu erläutern, die Vorgehensweise bei empirischen Schätzungen nachzuvollziehen und die Ergebnisse des analysierten Artikels kritisch zu reflektieren.
Welche wissenschaftlichen Methoden werden verwendet?
Der Fokus liegt auf statistischen Methoden wie dem binären, geordneten, multivariaten und simultanen Logit- und Probit-Modell sowie der Maximum-Likelihood-Schätzung.
Was wird im Hauptteil behandelt?
Der Hauptteil behandelt die mathematischen Grundlagen, die Abgrenzung zu anderen Methoden wie der Diskriminanzanalyse, die konkrete Datenbasis und Variablenwahl sowie die Güteprüfung der Modelle.
Welche Schlüsselwörter charakterisieren die Arbeit?
Wichtige Begriffe sind Kreditrisiko, Ausfallwahrscheinlichkeit, Logit- und Probit-Modell, ökonometrische Schätzverfahren und Modellgüte.
Warum spielt die Unterscheidung zwischen "Vollausfall" und "Teilausfall" eine Rolle?
Diese Differenzierung ist notwendig für das geordnete Probit-Modell, da es die Schwere der Probleme genauer abbildet als eine bloße binäre Einteilung.
Welches Fazit zieht der Autor zur Prognosefähigkeit der Modelle?
Der Autor stellt fest, dass die Modelle zwar eine gute Basis bieten, aber aufgrund historischer Daten keine absolut sicheren Vorhersagen liefern können und stets im Kontext der Gesamtsituation zu bewerten sind.
- Quote paper
- DI (FH) Mag. Reinhard Windisch (Author), 2006, Besprechung des Artikels: 'Ökonometrische Verfahren zur Modellierung von Kreditausfallwahrscheinlichkeiten', Munich, GRIN Verlag, https://www.grin.com/document/86700
